CN114706355A - 火电场scr脱硝系统时滞性预测方法及装置 - Google Patents
火电场scr脱硝系统时滞性预测方法及装置 Download PDFInfo
- Publication number
- CN114706355A CN114706355A CN202210322714.9A CN202210322714A CN114706355A CN 114706355 A CN114706355 A CN 114706355A CN 202210322714 A CN202210322714 A CN 202210322714A CN 114706355 A CN114706355 A CN 114706355A
- Authority
- CN
- China
- Prior art keywords
- time
- prediction
- scr inlet
- prediction model
- scr
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 66
- 230000005684 electric field Effects 0.000 title description 2
- QGZKDVFQNNGYKY-UHFFFAOYSA-N Ammonia Chemical compound N QGZKDVFQNNGYKY-UHFFFAOYSA-N 0.000 claims abstract description 84
- 229910021529 ammonia Inorganic materials 0.000 claims abstract description 42
- 238000004519 manufacturing process Methods 0.000 claims abstract description 23
- 108700018263 Brassica oleracea SCR Proteins 0.000 claims abstract description 13
- 230000001105 regulatory effect Effects 0.000 claims abstract description 13
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 claims description 20
- 239000003546 flue gas Substances 0.000 claims description 20
- 238000012549 training Methods 0.000 claims description 14
- 230000008859 change Effects 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 4
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 4
- 238000005314 correlation function Methods 0.000 claims description 4
- 230000001419 dependent effect Effects 0.000 claims description 4
- 239000001301 oxygen Substances 0.000 claims description 4
- 229910052760 oxygen Inorganic materials 0.000 claims description 4
- 231100001143 noxa Toxicity 0.000 claims description 3
- 235000013399 edible fruits Nutrition 0.000 claims 1
- 238000002347 injection Methods 0.000 abstract description 7
- 239000007924 injection Substances 0.000 abstract description 7
- 230000009471 action Effects 0.000 abstract description 4
- 230000000875 corresponding effect Effects 0.000 description 20
- 230000015654 memory Effects 0.000 description 20
- 238000005516 engineering process Methods 0.000 description 8
- 238000003860 storage Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- MWUXSHHQAYIFBG-UHFFFAOYSA-N nitrogen oxide Inorganic materials O=[N] MWUXSHHQAYIFBG-UHFFFAOYSA-N 0.000 description 6
- 238000010606 normalization Methods 0.000 description 5
- 238000004590 computer program Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- IJGRMHOSHXDMSA-UHFFFAOYSA-N nitrogen Substances N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 238000002485 combustion reaction Methods 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000008030 elimination Effects 0.000 description 2
- 238000003379 elimination reaction Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 239000007788 liquid Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 229910052757 nitrogen Inorganic materials 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- VHUUQVKOLVNVRT-UHFFFAOYSA-N Ammonium hydroxide Chemical compound [NH4+].[OH-] VHUUQVKOLVNVRT-UHFFFAOYSA-N 0.000 description 1
- XSQUKJJJFZCRTK-UHFFFAOYSA-N Urea Chemical compound NC(N)=O XSQUKJJJFZCRTK-UHFFFAOYSA-N 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 235000011114 ammonium hydroxide Nutrition 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- PPBAJDRXASKAGH-UHFFFAOYSA-N azane;urea Chemical compound N.NC(N)=O PPBAJDRXASKAGH-UHFFFAOYSA-N 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 239000004202 carbamide Substances 0.000 description 1
- 239000003054 catalyst Substances 0.000 description 1
- 238000010531 catalytic reduction reaction Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000003638 chemical reducing agent Substances 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 208000028659 discharge Diseases 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 238000010574 gas phase reaction Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 239000012528 membrane Substances 0.000 description 1
- 244000005700 microbiome Species 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- RJIWZDNTCBHXAL-UHFFFAOYSA-N nitroxoline Chemical compound C1=CN=C2C(O)=CC=C([N+]([O-])=O)C2=C1 RJIWZDNTCBHXAL-UHFFFAOYSA-N 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000002161 passivation Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
- 238000006722 reduction reaction Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
- 238000001179 sorption measurement Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 238000011179 visual inspection Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41865—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by job scheduling, process planning, material flow
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32252—Scheduling production, machining, job shop
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Quality & Reliability (AREA)
- General Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Automation & Control Theory (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Manufacturing & Machinery (AREA)
- General Engineering & Computer Science (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Exhaust Gas Treatment By Means Of Catalyst (AREA)
Abstract
本发明提供一种火电场SCR脱硝系统时滞性预测方法及装置,该方法包括:在设定时间段内根据参数相关选取原则,选取SCR入口NOx浓度预测参数;基于预测参数,建立SCR入口NOx浓度预测模型;基于时滞形差率方法,建立脱硝装置调门开度的时滞性预测模型;基于SCR入口NOx浓度预测模型和时滞性预测模型,对制氨系统的时滞性进行预测并获得预测结果。本发明的预测方法,实现了对制氨系统的时滞性进行预测,可准确预报制氨时滞性量级以便喷氨系统动作与SCR入口NOx含量匹配,提升了预测精度,同时为SCR脱硝系统的整体运行节约了成本,为脱硝装置调门开度优化控制提供了建议。
Description
技术领域
本发明属于火电脱硝技术领域,具体涉及一种火电场SCR脱硝系统时滞性预测方法及装置。
背景技术
目前主要有两种技术路线实现燃煤电厂烟气氮氧化物脱除,一是减少锅炉燃烧过程中产生的氮氧化物的炉内低氮燃烧技术,二是分解已生成的氮氧化物的烟气脱硝技术。烟气脱硝的技术主要有气相反应法、液体吸收法、吸附法、液膜法、微生物法等。在上述多种烟气脱硝技术中,选择性催化还原技术(SelectiveCatalytic Reduction,SCR)因其脱硝效率高、技术成熟的双重优势有着最为广泛的应用。欧洲运行的超过120台大型SCR装置,可达到超过80%的NOx脱除效率。自1975年日本Shimoneski火电厂首次启用SCR系统后SCR技术已成为目前世界上最主流的烟气脱硝技术。
SCR反应中所需的还原剂一般有三种选择分别为纯氨、氨水和尿素,分别对应三种不同的制氨工艺。由于尿素制氨存在一定时滞性,使得制氨系统与喷氨装置的相应无法与实时信号(SCR入口NOx含量)相匹配,两者之间的时滞性最大可达120秒,但120s在绝大多数情况下大于SCR入口NOx含量的半波动周期,所导致的氨-NOx匹配误差问题十分严重。为此火电厂需要提高氨喷射量以满足脱硝效果,过度喷氨会导致原料浪费、氨泄漏增加、影响空预器运行以及加重SCR反应器内催化剂钝化现象,最终导致烟气脱硝系统整体运行成本上涨。由于制氨系统机理影响,制氨时滞性随SCR入口NOx含量波动而波动,为了准确预报时滞性量级以便喷氨系统动作与SCR入口NOx含量匹配,有必要建立一套描述喷氨系统时滞性的预测模型。
由于火电厂提供的历史运行数据并不显含时滞性值,只提供了氨分配阀开度数据可以间接反应时滞性数值,虽然可通过人工标定的方法取得时滞性数据但人工识别效率低无法满足数据量需求,因而无法通过数据驱动的方法从烟气道入手建立时滞性预测模型。同时历史运行数据也不包含制氨系统相关参数,火电厂也未提供制氨系统详细设计,故无法从制氨系统数据入手进行数据驱动的时滞性建模或是机理模型建模。
针对上述问题,有必要提出一种设计合理且有效解决上述问题的火电场SCR脱硝系统时滞性预测方法及装置。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一,提供一种火电场SCR脱硝系统时滞性预测方法及装置。
本发明的一方面提供一种火电场SCR脱硝系统时滞性预测方法,所述方法包括:
在设定时间段内,根据参数相关选取原则,选取SCR入口NOx浓度预测参数;
基于所述预测参数,建立所述SCR入口NOx浓度预测模型;
基于时滞形差率方法,建立脱硝装置调门开度的时滞性预测模型;
基于所述SCR入口NOx浓度预测模型和所述时滞性预测模型,对制氨系统的时滞性进行预测并获得预测结果。
可选的,所述基于时滞形差率方法,建立脱硝装置调门开度的时滞性预测模型,包括:
采用所述时滞形差率方法,以所述SCR入口NOx浓度和其变化率为输入,以时滞性数值为输出,分段拟合得到脱硝装置调门开度的时滞性数值的预测模型;其中,
所述时滞形差率方法为:
其中,T为偏移时间δT偏移时间为T时的部分曲线形差率,t1与t2分别表示部分SCR入口NOx浓度曲线的起始与终止时间点,ρ与C分别表示SCR入口NOx浓度与氨调节阀开度,kt(ρ)与kt(C)分别表示SCR入口NOx浓度与氨调节阀开度在t时刻的后向变化率。
可选的,所述基于所述预测参数,建立所述SCR入口NOx浓度预测模型,包括:
基于所述预测参数,获得各个时刻相应的预测参数数据;
基于所述各个时刻相应的预测参数数据,获得时间序列数据;
基于所述时间序列数据,建立所述SCR入口NOx浓度预测模型。
可选的,所述基于所述时间序列数据,建立所述SCR入口NOx浓度预测模型,包括:
以时间序列数据作为所述SCR入口NOx浓度预测模型的输入数据,且在所述预测模型的建立过程中,更新所述预测模型的隐状态;其中,
所述隐状态的表达式为:
ht=f(ht-1,xt)=f(Uht-1+Wxt+b),
其中,U∈RG*G,W∈RG*k,b∈RG为模型参数,G为隐藏层维数,k为输入维数,f为tanh激活函数。
可选的,所述基于所述时间序列数据,建立所述SCR入口NOx浓度预测模型之后,所述方法还包括:
基于所述SCR入口NOx浓度预测模型进行训练,其中,当训练残差小于预先设定阈值时,获得所述SCR入口NOx浓度预测模型。
可选的,所述基于所述SCR入口NOx浓度预测模型和所述时滞性预测模型,对制氨系统的时滞性进行预测,并获得预测结果,包括:
通过SCR入口NOx浓度时序预测模型对预设时间段内的SCR入口NOx含量波动数据进行预测,得到SCR入口NOx含量的时序预测曲线;
采用SCR入口NOx含量时滞性预测模型对所述SCR入口NOx含量的时序预测曲线上的任意时刻的时序预测值进行预测,得到SCR入口NOx含量对应的时滞性数值曲线;
根据所述时序预测曲线和所述时滞性数值曲线,得到SCR入口NOx含量追踪曲线;其中,
所述SCR入口NOx含量追踪曲线为:
ρtrace(t)=ρ(t+D(d)),
其中,ρ(d)为时序预测曲线,d为时序预测曲线上任一点在时间方向上与t0时刻的差值,D(d)为时滞性数值曲线,ρtrace(t)为任意追踪时刻所对应的时间偏差d在时序预测曲线ρ(d)上的SCR入口NOx含量预测值;
将当前时刻的所述SCR入口追踪NOx含量作为当前时刻的SCR入口NOx含量信号传递给烟气脱硝系统作为输入信号,从而获得时滞性预测结果。
可选的,基于LSTM神经网络算法建立所述SCR入口NOx浓度预测模型。
可选的,所述参数相关选取原则采用最大相关最小冗余的原则;其中,
所述最大相关的表达式为:
其中,maxD(S,c)为离散变量的最大相关,D为类别变量,S为特征子集,c为类别变量,I为特征变量,xi为第i个特征,maxDF为连续变量的最大相关,F(xi,c)为F统计量;
所述最小冗余的表达式为:
其中,minR(S)为离散变量的最小冗余,minRc为连续变量的最小冗余,c(xi,xj)为相关函数。
可选的,所述SCR入口NOx浓度预测参数包括SCR入口烟气温度、SCR入口烟气氧量、负荷和总风量。
本发明的另一方面提供一种火电厂SCR脱硝系统时滞性预测装置,所述预测装置包括:
选取模块,用于在设定时间段内根据参数相关选取原则,选取SCR入口NOx浓度预测参数;
第一建立模块,用于基于所述预测参数,建立所述SCR入口NOx浓度预测模型;
第二建立模块,用于基于时滞形差率方法,建立脱硝装置调门开度的时滞性预测模型;
预测模块,用于基于所述SCR入口NOx浓度预测模型和所述时滞性预测模型,对制氨系统的时滞性进行预测并获得预测结果。
本发明的火电场SCR脱硝系统时滞性预测方法及装置,该预测方法包括:在设定时间段内,根据参数相关选取原则,选取SCR入口NOx浓度预测参数;基于预测参数,建立SCR入口NOx浓度预测模型;基于时滞形差率方法,建立脱硝装置调门开度的时滞性预测模型;基于SCR入口NOx浓度预测模型和时滞性预测模型,对制氨系统的时滞性进行预测并获得预测结果。本发明的火电场SCR脱硝系统时滞性预测方法,实现了对制氨系统的时滞性进行预测,可准确预报制氨时滞性量级以便喷氨系统动作与SCR入口NOx含量匹配,提升了预测精度,同时为SCR脱硝系统的整体运行节约了成本,为脱硝装置调门开度优化控制提供了建议。
附图说明
图1为本发明一实施例的一种火电场SCR脱硝系统时滞性预测方法的流程示意图;
图2为本发明另一实施例的一种火电场SCR脱硝系统时滞性预测方法中建立SCR入口NOx浓度预测模型的流程示意图;
图3为本发明一实施例的一种火电场SCR脱硝系统时滞性预测装置的流程示意图;
图4为本发明另一实施例中电子设备的组成示意图。
具体实施方式
为使本领域技术人员更好地理解本发明的技术方案,下面结合附图和具体实施方式对本发明作进一步详细描述。
如图1所示,本发明的一个方面提供一种火电场SCR脱硝系统时滞性预测方法S100,所述预测方法S100包括:
S110、在设定时间段内,根据参数相关选取原则,选取SCR入口NOx浓度预测参数。
具体地,首先,需要选取一个时间段;然后,收集SCR入口NOx浓度预测参数,其中,预测参数至少包括但不限于SCR入口烟气温度、SCR入口烟气氧量、负荷和总风量。最后,在设定时间段内,基于最大相关最小冗余的原则,选取预测参数,其中,
最大相关的表达式为:
其中,maxD(S,c)为离散变量的最大相关,D为类别变量,S为特征子集,c为类别变量,I为特征变量,xi为第i个特征,maxDF为连续变量的最大相关,F(xi,c)为F统计量;
最小冗余的表达式为:
其中,minR(S)为离散变量的最小冗余,minRc为连续变量的最小冗余,c(xi,xj)为相关函数。
最大相关最小冗余是基于互信息获得的,互信息可以度量两个变量之间的相关关系,互信息的大小代表了两个变量之间的关联度的大小,从所有特征中选出两个变量之间互信息最大的设定数量的特征,就可以得到两个变量之间最相关的设定数量的特征。
互信息的表达式为:
其中,x为一个变量,y为一个变量,I(x,y)为互信息。
S120、基于所述预测参数,建立所述SCR入口NOx浓度预测模型。
建立所述SCR入口NOx浓度预测模型,基于选取的预测参数的特征,恰当地选择要建立的相应的预测模型,对预测参数的选择基于对其特征选择。其中,特征选择,也称特征子集选择或属性选择,是指从已有的多个特征中选择某些特征使得系统的特定指标最优化,是从原始特征中选择出一些最有效特征以降低数据集维度的过程,不仅是提高学习算法性能的一个重要手段,还是模式识别中关键的数据预处理步骤。对于一个预测模型来说,好的学习样本是对预测模型进行训练的关键。
如图2所示,S120具体包括:
S121、基于所述预测参数,获得各个时刻相应的预测参数数据。
具体地,在所选取的预测参数中,某个时刻,某个预测参数会对应一个具体的预测参数数据,相应地,不同预测参数会对应不同的预测参数数据,各个时刻,就有若干相应的预测参数数据。
示例性地,9点01分预测参数SCR入口NOx浓度为350毫克每立方米,9点03分预测参数SCR入口NOx浓度为300毫克每立方米,那么在9点01分至9点03分这2分钟内,会有若干的预测参数数据。
对所选取的预测数据进行预处理,以便获得所需要的预测参数数据。其中,预处理方式至少包括但不限于数据奇异点剔除、归一化、标准化、滤波、降噪、特征分解、时频域分析。
一示例性地,对所选取的预测数据采用奇异点剔除进行预处理,写一段平滑程序:依次读入数据,并将连续的一些数据分别保存为变量。判断某个数据和其前后数据的关系,如果差值过大,就将当前值替换成连续的数据的中值或者是平均值之类,若超过预先设定的奇异点的阀值,就剔除掉。上述阈值需要目视检查一下,确定个合适的值即可。该方法能够有效去除不符合标准的数据点。
另一示例性地,对所选取的预测数据采用归一化进行预处理,归一化方法有两种形式,一种是把数变为(0,1)之间的小数,一种是把有量纲表达式变为无量纲表达式。主要是为了数据处理方便提出来的,把数据映射到0~1范围之内处理,更加便捷快速,将需要处理的数据归到数字信号处理范畴之内,那么,上述所选取的预测数据采用归一化进行预处理,例如,将上述所选取的预测数据归一化的范围分为四类,例如,上述所选取的预测数据归一化的范围为{0,1},将范围{0,1}分为四类:0-1/4、1/4-1/2、1/2-3/4、3/4-1,并将这四类分别标注类别之后,得到的数据。
S122、基于所述各个时刻相应的预测参数数据,获得时间序列数据。
具体地,某个时刻的某个预测参数数据与上述时刻的上一时刻、上一时刻的上一时刻、下一时刻、下一时刻的下一时刻等的预测参数数据构成某一时间序列数据。各个时刻的不同预测参数数据相应地与各个时刻的上一时刻、上一时刻的上一时刻、下一时刻、下一时刻的下一时刻等的预测参数数据构成一系列时间序列数据。
S123、基于所述时间序列数据,建立所述SCR入口NOx浓度预测模型。
SCR入口NOx浓度预测模型的建立需要输入数据,时间序列数据作为输入数据,在建立预测模型的过程中,不断更新预测模型中的隐状态,隐状态的不断更新又能反映出时间序列数据中所存在的特征,由于预测模型的建立需要时间序列数据的特征以便进行特征选择,因此,上述反映出时间序列数据中所存在的特征为预测模型的建立做好铺垫。其中,隐状态,是看不到的状态。
所述隐状态的表达式为:
ht=f(ht-1,xt)=f(Uht-1+Wxt+b),
其中,U∈RG*G,W∈RG*k,b∈RG为模型参数,G为隐藏层维数,k为输入维数,f为tanh激活函数。
示例性地,LSTM(Long Short-Term Memory,长短期记忆网络)是一种时间循环神经网络,要建立上述模型,需要先对RNN(Recurrent Neural Network,循环神经网络)进行定义。将获得的时间序列数据,输入RNN中,根据各个时刻的时间序列数据的相应输入给RNN结果中各个重复单元,不断更新隐状态。由于LSTM算法含有记忆单元,记忆单元会记忆相应的隐状态,隐状态与记忆单元的更新需要三个门:遗忘门,输入门,输出门来控制,以保护控制单元状态。
其中,遗忘门,要遗忘或丢弃一些信息。遗忘门的任务就是接受一个长期记忆(上一个单元模块传过来的输出)并决定要保留和遗忘的哪个部分。例如,在语言模型中,我们想要通过一个词来预测下一个词,单元模块中可能包含某个属性在下一个模块单元不需要,就可以将这个属性在单元模块中遗忘即丢弃。
记忆门,记忆门的作用是确定什么样的新信息被存放在单元模块中。记忆门包括两个部分:sigmoid层和tanh层,sigmoid层,决定什么值需要更新;tanh层,创建一个新的候选值向量,生成候选记忆。针对遗忘门中丢弃的属性信息,在本单元模块找到相应的新的属性信息,添加进去,以补充丢弃的属性信息。其中,sigmoid层是一个在生物学中常见的S型函数,tanh层是RNN中这个重复的结构模块所具有的一个非常简单的结构。
输出门,是最终我们要根据单元模块,确定输出值。首先我们使用一个函数来去确定单元模块的哪部分需要输出,然后把单元模块通过tanh层处理,基于上述需要输出的部分与上述处理,得到最终我们想要输出的信息。
本公开实施例基于上述三个门的各自特点选用该三个门,不仅使得LSTM算法有删除或向单元状态添加信息的能力,还能更新记忆单元与隐状态,都是由三个门的结构来调节控制的。
S124、基于所述SCR入口NOx浓度预测模型进行训练,获得所述SCR入口NOx浓度预测模型。
具体地,基于预测模型进行训练,当训练残差小于预先设定阈值时,获得目标预测模型。本公开实施例采用上述方式进行训练获得目标预测模型,操作简单,行之有效。
示例性地,在SCR入口NOx浓度预测模型进行训练的过程中,预先设定一个阈值,当各个预测参数数据基于相关规则获得的综合值即训练残差小于预先设定阈值时,即认为该SCR入口NOx浓度预测模型已经成功被训练完成,获得SCR入口NOx浓度预测模型。其中,残差在数理统计中是指实际观察值与估计值之间的差,它蕴含了有关模型基本假设的重要信息。因此,本公开实施例选择训练残差,对SCR入口NOx浓度预测模型完成训练的判断标准更具说服力。
S130、基于时滞形差率方法,建立脱硝装置调门开度的时滞性预测模型。
具体地,采用所述时滞形差率方法,以SCR入口NOx浓度和其变化率为输入,以时滞性数值为输出,分段拟合得到脱硝装置调门开度的时滞性数值的预测模型;其中,
时滞形差率方法为:
其中,T为偏移时间δT偏移时间为T时的部分曲线形差率,t1与t2分别表示部分SCR入口NOx浓度曲线的起始与终止时间点,ρ与C分别表示SCR入口NOx浓度与氨调节阀开度,kt(ρ)与kt(C)分别表示SCR入口NOx浓度与氨调节阀开度在t时刻的后向变化率。
以SCR入口NOx浓度和其变化率为输入,以时滞性数值为输出,分段拟合得到调门开度的时滞性数值的预测模型。将时滞性预测模型分为三段分段函数进行实现,结合大量数据进行拟合并分析线性相关度建立了在SCR入口NOx含量小幅上升过程的时滞性预测模型,在该模型基础上通过添加一个经由数据分析拟合获得的偏差系数,建立了与时间相关的SCR入口NOx含量大幅上升过程时滞性预测模型,最后考虑到超排风险与时滞性波动稳定度的条件,选择将SCR入口NOx含量下降过程时滞性预测模型选定为一个经由数据分析取得的定值。最后通过对时滞性预测模型在人工标定数据上的验证,完成了SCR入口NOx含量时滞性预测模型。
S140、基于所述SCR入口NOx浓度预测模型和所述时滞性预测模型,对制氨系统的时滞性进行预测并获得预测结果。
首先,通过SCR入口NOx浓度时序预测模型对预设时间段内的SCR入口NOx含量波动数据进行预测,得到SCR入口NOx含量的时序预测曲线。
具体地,针对SCR入口NOx含量波动数据中的某一时刻(称为t0时刻)的数据,使用SCR入口NOx含量时序预测模型预测该时刻之后一段时间的数据,得到时序预测曲线ρ(d),其中d为时序预测曲线上任一点在时间方向上与t0时刻的差值,即某一点的时间偏差,单位为秒。
其次,采用SCR入口NOx含量时滞性预测模型对所述SCR入口NOx含量的时序预测曲线上的任意时刻的时序预测值进行预测,得到SCR入口NOx含量对应的时滞性数值曲线。
具体地,对时序预测曲线ρ(d)上的任意一个时刻d0的预测值ρ(d0)使用SCR入口NOx含量时滞性预测模型得到该时间点SCR入口NOx含量对应的时滞性预测数值D(d0),求取时序预测曲线ρ(d)上每一个点的时滞性预测数值并将离散的时滞性数值连接可以得到时滞性数值曲线D(d)。
再此,根据所述时序预测曲线和所述时滞性数值曲线,得到SCR入口NOx含量追踪曲线;其中,
所述SCR入口NOx含量追踪曲线为:
ρtrace(t)=ρ(t+D(d)),
其中,ρ(d)为时序预测曲线,d为时序预测曲线上任一点在时间方向上与t0时刻的差值,D(d)为时滞性数值曲线,ρtrace(t)为任意追踪时刻所对应的时间偏差d在时序预测曲线ρ(d)上的SCR入口NOx含量预测值。
具体地,定义追踪时刻t(d)为时序预测模型上某一时刻向时间轴负方向迁移对应的时滞性数值后所对应的时刻,即t(d)=t0-D(d)。定义追踪NOx含量ρtrace(t)为任意追踪时刻所对应的时间偏差d在时序预测曲线ρ(d)上的SCR入口NOx含量预测值。对时序预测曲线上每一个点都求得其追踪NOx含量并将离散的结果连接,可以得到SCR入口NOx含量追踪曲线:
ρtrace(t)=ρ(t+D(d)),
其中,ρ(d)为时序预测曲线,d为时序预测曲线上任一点在时间方向上与t0时刻的差值,D(d)为时滞性数值曲线,ρtrace(t)为任意追踪时刻所对应的时间偏差d在时序预测曲线ρ(d)上的SCR入口NOx含量预测值。
最后,将当前时刻的所述SCR入口追踪NOx含量作为当前时刻的SCR入口NOx含量信号传递给烟气脱硝系统作为输入信号,从而获得时滞性预测结果。
具体地,在模型实时运行中,将当前时刻的认为是t0时刻,求取此时SCR入口NOx含量追踪曲线在当前时刻的值即ρtrace(t0),将该追踪NOx含量作为此时的SCR入口NOx含量信号传递给烟气脱硝系统作为输入信号,从而获得时滞性预测结果。
本发明的火电场SCR脱硝系统时滞性预测方法,实现了对制氨系统的时滞性进行预测,可准确预报制氨时滞性量级以便喷氨系统动作与SCR入口NOx含量匹配,提升了预测精度,同时为SCR脱硝系统的整体运行节约了成本,为脱硝装置调门开度优化控制提供了建议。
如图3所示,本发明的另一方面提供了一种火电厂SCR脱硝系统时滞性预测装置100,所述预测装置100包括:
选取模块110,用于在设定时间段内根据参数相关选取原则,选取SCR入口NOx浓度预测参数。其中,预测参数至少包括但不限于SCR入口烟气温度、SCR入口烟气氧量、负荷和总风量。
具体地,选取模块110基于最大相关最小冗余的原则,选取预测参数,其中,
最大相关的表达式为:
其中,maxD(S,c)为离散变量的最大相关,D为类别变量,S为特征子集,c为类别变量,I为特征变量,xi为第i个特征,maxDF为连续变量的最大相关,F(xi,c)为F统计量;
最小冗余的表达式为:
其中,minR(S)为离散变量的最小冗余,minRc为连续变量的最小冗余,c(xi,xj)为相关函数。
最大相关最小冗余是基于互信息获得的,互信息可以度量两个变量之间的相关关系,互信息的大小代表了两个变量之间的关联度的大小,从所有特征中选出两个变量之间互信息最大的设定数量的特征,就可以得到两个变量之间最相关的设定数量的特征。
互信息的表达式为:
其中,x为一个变量,y为一个变量,I(x,y)为互信息。
第一建立模块120,用于基于预测参数,建立SCR入口NOx浓度预测模型。
具体地,首先,第一建立模块120基于所述预测参数,获得各个时刻相应的预测参数数据;其次,第一建立模块120基于所述各个时刻相应的预测参数数据,获得时间序列数据;最后,第一建立模块120基于所述时间序列数据,建立所述SCR入口NOx浓度预测模型。
第二建立模块130,用于基于时滞形差率方法,建立脱硝装置调门开度的时滞性预测模型。
具体地,第二建立模块130采用所述时滞形差率方法,以SCR入口NOx浓度和其变化率为输入,以时滞性数值为输出,分段拟合得到脱硝装置调门开度的时滞性数值的预测模型;其中,
时滞形差率方法为:
其中,T为偏移时间δT偏移时间为T时的部分曲线形差率,t1与t2分别表示部分SCR入口NOx浓度曲线的起始与终止时间点,ρ与C分别表示SCR入口NOx浓度与氨调节阀开度,kt(ρ)与kt(C)分别表示SCR入口NOx浓度与氨调节阀开度在t时刻的后向变化率。
预测模块140,用于基于SCR入口NOx浓度预测模型和时滞性预测模型,对制氨系统的时滞性进行预测并获得预测结果。
首先,通过SCR入口NOx浓度时序预测模型对预设时间段内的SCR入口NOx含量波动数据进行预测,得到SCR入口NOx含量的时序预测曲线。
具体地,针对SCR入口NOx含量波动数据中的某一时刻(称为t0时刻)的数据,使用SCR入口NOx含量时序预测模型预测该时刻之后一段时间的数据,得到时序预测曲线ρ(d),其中d为时序预测曲线上任一点在时间方向上与t0时刻的差值,即某一点的时间偏差,单位为秒。
其次,采用SCR入口NOx含量时滞性预测模型对所述SCR入口NOx含量的时序预测曲线上的任意时刻的时序预测值进行预测,得到SCR入口NOx含量对应的时滞性数值曲线。
具体地,对时序预测曲线ρ(d)上的任意一个时刻d0的预测值ρ(d0)使用SCR入口NOx含量时滞性预测模型得到该时间点SCR入口NOx含量对应的时滞性预测数值D(d0),求取时序预测曲线ρ(d)上每一个点的时滞性预测数值并将离散的时滞性数值连接可以得到时滞性数值曲线D(d)。
再此,根据所述时序预测曲线和所述时滞性数值曲线,得到SCR入口NOx含量追踪曲线;其中,
所述SCR入口NOx含量追踪曲线为:
ρtrace(t)=ρ(t+D(d)),
其中,ρ(d)为时序预测曲线,d为时序预测曲线上任一点在时间方向上与t0时刻的差值,D(d)为时滞性数值曲线,ρtrace(t)为任意追踪时刻所对应的时间偏差d在时序预测曲线ρ(d)上的SCR入口NOx含量预测值。
具体地,定义追踪时刻t(d)为时序预测模型上某一时刻向时间轴负方向迁移对应的时滞性数值后所对应的时刻,即t(d)=t0-D(d)。定义追踪NOx含量ρtrace(t)为任意追踪时刻所对应的时间偏差d在时序预测曲线ρ(d)上的SCR入口NOx含量预测值。对时序预测曲线上每一个点都求得其追踪NOx含量并将离散的结果连接,可以得到SCR入口NOx含量追踪曲线:
ρtrace(t)=p(t+D(d)),
其中,ρ(d)为时序预测曲线,d为时序预测曲线上任一点在时间方向上与t0时刻的差值,D(d)为时滞性数值曲线,ρtrace(t)为任意追踪时刻所对应的时间偏差d在时序预测曲线ρ(d)上的SCR入口NOx含量预测值。
最后,将当前时刻的所述SCR入口追踪NOx含量作为当前时刻的SCR入口NOx含量信号传递给烟气脱硝系统作为输入信号,从而获得时滞性预测结果。
具体地,在模型实时运行中,将当前时刻的认为是t0时刻,求取此时SCR入口NOx含量追踪曲线在当前时刻的值即ρtrace(t0),将该追踪NOx含量作为此时的SCR入口NOx含量信号传递给烟气脱硝系统作为输入信号,预测模块140获得时滞性预测结果。
如图4所示,本发明的另一方面提供一种电子设备200,包括:
一个或多个处理器210,一个或多个存储单元220,一个或多个存储单元220用于存储一个或多个程序,当一个或多个程序被一个或多个处理器210执行时,能使得一个或多个处理器实现前文所述的数据记录方法。电子设备200还包括一个或多个输入单元230和一个或多个输出单元240等,电子设备200的这些组件通过总线系统250和/或其他形式的连接机构互连。应当注意,图3所示的电子设备200的组件和结构只是示例性的,而非限制性的,根据需要,电子设备200也可以具有其他组件和结构。
处理器210可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元,并且可以控制电子设备200中的其他组件以执行期望的功能。
存储单元220可以包括一个或多个计算机程序产品,所述计算机程序产品可以包括各种形式的计算机可读存储介质,例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令,处理器可以运行所述程序指令,以实现下文所述的本发明实施例中(由处理器实现)的客户端功能以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储各种应用程序和各种数据,例如,所述应用程序使用和/或产生的各种数据等。
输入单元230可以是用户用来输入指令的装置,并且可以包括键盘、鼠标、麦克风、触控按键和触摸屏等中的一个或多个。
输出单元240可以向外部(例如用户)输出各种信息(例如图像或声音),并且可以包括显示器、扬声器等中的一个或多个。
本发明的另一方面提供一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时能实现前文所述的数据记录方法。
其中,计算机可读介质可以是本发明的装置、设备、系统中所包含的,也可以是单独存在。
其中,计算机可读存储介质可是任何包含或存储程序的有形介质,其可以是电、磁、光、电磁、红外线、半导体的系统、装置、设备,更具体的例子包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、光纤、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件,或它们任意合适的组合。
其中,计算机可读存储介质也可包括在基带中或作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码,其具体的例子包括但不限于电磁信号、光信号,或它们任意合适的组合。
可以理解的是,以上实施方式仅仅是为了说明本发明的原理而采用的示例性实施方式,然而本发明并不局限于此。对于本领域内的普通技术人员而言,在不脱离本发明的精神和实质的情况下,可以做出各种变型和改进,这些变型和改进也视为本发明的保护范围。
Claims (10)
1.一种火电场SCR脱硝系统时滞性预测方法,其特征在于,所述方法包括:
在设定时间段内,根据参数相关选取原则,选取SCR入口NOx浓度预测参数;
基于所述预测参数,建立所述SCR入口NOx浓度预测模型;
基于时滞形差率方法,建立脱硝装置调门开度的时滞性预测模型;
基于所述SCR入口NOx浓度预测模型和所述时滞性预测模型,对制氨系统的时滞性进行预测并获得预测结果。
3.根据权利要求1所述的方法,其特征在于,所述基于所述预测参数,建立所述SCR入口NOx浓度预测模型,包括:
基于所述预测参数,获得各个时刻相应的预测参数数据;
基于所述各个时刻相应的预测参数数据,获得时间序列数据;
基于所述时间序列数据,建立所述SCR入口NOx浓度预测模型。
4.根据权利要求3所述的方法,其特征在于,所述基于所述时间序列数据,建立所述SCR入口NOx浓度预测模型,包括:
以时间序列数据作为所述SCR入口NOx浓度预测模型的输入数据,且在所述预测模型的建立过程中,更新所述预测模型的隐状态;其中,
所述隐状态的表达式为:
ht=f(ht-1,xt)=f(Uht-1+Wxt+b),
其中,U∈RG*G,W∈RG*k,b∈RG为模型参数,G为隐藏层维数,k为输入维数,f为tanh激活函数。
5.根据权利要求3所述的方法,其特征在于,所述基于所述时间序列数据,建立所述SCR入口NOx浓度预测模型之后,所述方法还包括:
基于所述SCR入口NOx浓度预测模型进行训练,其中,当训练残差小于预先设定阈值时,基于所述SCR入口NOx浓度预测模型进行训练。
6.根据权利要求1所述的方法,其特征在于,所述基于所述SCR入口NOx浓度预测模型和所述时滞性预测模型,对制氨系统的时滞性进行预测,并获得预测结果,包括:
通过SCR入口NOx浓度时序预测模型对预设时间段内的SCR入口NOx含量波动数据进行预测,得到SCR入口NOx含量的时序预测曲线;
采用SCR入口NOx含量时滞性预测模型对所述SCR入口NOx含量的时序预测曲线上的任意时刻的时序预测值进行预测,得到SCR入口NOx含量对应的时滞性数值曲线;
根据所述时序预测曲线和所述时滞性数值曲线,得到SCR入口NOx含量追踪曲线;其中,
所述SCR入口NOx含量追踪曲线为:
ρtrace(t)=ρ(t+D(d)),
其中,ρ(d)为时序预测曲线,d为时序预测曲线上任一点在时间方向上与t0时刻的差值,D(d)为时滞性数值曲线,ρtrace(t)为任意追踪时刻所对应的时间偏差d在时序预测曲线ρ(d)上的SCR入口NOx含量预测值;
将当前时刻的所述SCR入口追踪NOx含量作为当前时刻的SCR入口NOx含量信号传递给烟气脱硝系统作为输入信号,从而获得时滞性预测结果。
7.根据权利要求1至6任一项所述的方法,其特征在于,基于LSTM神经网络算法建立所述SCR入口NOx浓度预测模型。
9.根据权利要求1至6任一项所述的方法,其特征在于,所述SCR入口NOx浓度预测参数包括SCR入口烟气温度、SCR入口烟气氧量、负荷和总风量。
10.一种火电厂SCR脱硝系统时滞性预测装置,其特征在于,所述预测装置包括:
选取模块,用于在设定时间段内根据参数相关选取原则,选取SCR入口NOx浓度预测参数;
第一建立模块,用于基于所述预测参数,建立所述SCR入口NOx浓度预测模型;
第二建立模块,用于基于时滞形差率方法,建立脱硝装置调门开度的时滞性预测模型;
预测模块,用于基于所述SCR入口NOx浓度预测模型和所述时滞性预测模型,对制氨系统的时滞性进行预测并获得预测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210322714.9A CN114706355A (zh) | 2022-03-30 | 2022-03-30 | 火电场scr脱硝系统时滞性预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210322714.9A CN114706355A (zh) | 2022-03-30 | 2022-03-30 | 火电场scr脱硝系统时滞性预测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114706355A true CN114706355A (zh) | 2022-07-05 |
Family
ID=82171498
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210322714.9A Pending CN114706355A (zh) | 2022-03-30 | 2022-03-30 | 火电场scr脱硝系统时滞性预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114706355A (zh) |
-
2022
- 2022-03-30 CN CN202210322714.9A patent/CN114706355A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | A hybrid NOx emission prediction model based on CEEMDAN and AM-LSTM | |
CN112667613B (zh) | 基于多延时特性多变量校正的烟气NOx预测方法及系统 | |
CN114191953A (zh) | 一种基于卷积神经网络和XGBoost的烟气脱硫脱硝控制方法 | |
CN110598929B (zh) | 一种风电功率非参数概率区间超短期预测方法 | |
CN114225662B (zh) | 一种基于滞后模型的烟气脱硫脱硝优化控制方法 | |
CN111950805B (zh) | 中长期电力负荷预测方法、装置、计算机设备及存储介质 | |
Gao et al. | End‐Point Static Control of Basic Oxygen Furnace (BOF) Steelmaking Based on Wavelet Transform Weighted Twin Support Vector Regression | |
CN112651166A (zh) | 脱硝系统入口氮氧化物浓度预测方法、装置及脱硝系统 | |
CN115049019B (zh) | 金属有机框架对砷的吸附性能评估方法、装置及相关设备 | |
CN118210332B (zh) | 控制气体排放的方法、装置、设备和存储介质 | |
CN116688754A (zh) | 船舶烟气脱硫自动控制系统及其方法 | |
CN113469449A (zh) | 脱硫系统的寻优控制方法及系统 | |
CN111709585A (zh) | 一种空调负荷预测方法、装置及存储介质 | |
CN116128039A (zh) | 一种地表水体水质预测模型的构建方法和预测方法 | |
CN117744704B (zh) | 一种烟气污染源采集监测系统、方法及可读存储介质 | |
CN111435469B (zh) | 一种梯级电站中下游电站入库流量的预测方法 | |
CN116697497B (zh) | 一种通风空调系统控制方法、装置、设备和存储介质 | |
CN114706355A (zh) | 火电场scr脱硝系统时滞性预测方法及装置 | |
CN116665803A (zh) | 废料处理设备的控制方法、系统、电子设备及存储介质 | |
CN115081301B (zh) | 一种基于混合pso-mkpls的碳排放量动态演化方法 | |
Varziri et al. | Parameter and state estimation in nonlinear stochastic continuous‐time dynamic models with unknown disturbance intensity | |
Song et al. | Research on time series characteristics of the gas drainage evaluation index based on lasso regression | |
Xie et al. | Selective catalytic reduction system ammonia injection control based on deep deterministic policy reinforcement learning | |
CN114444295B (zh) | 一种基于组合时序预测的NOx废气浓度预测方法 | |
CN103472721B (zh) | 自适应机器学习的农药废液焚烧炉炉温最佳化系统及方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |